Summary

Dinâmico entre sujeita conectividade funcional revela configurações de rede do cérebro de momento a momento impulsionadas pela contínua ou paradigmas de comunicação

Published: March 21, 2019
doi:

Summary

O objetivo da abordagem descrita é determinar em que momentos do paradigma (perspectiva temporal) e entre os quais regiões (perspectiva espacial), reconfigurações significativas em conectividade funcional ocorrem na ressonância magnética funcional gravações durante o qual um vez bloqueado estímulo é jogado.

Abstract

Tarefa com base em imagens de ressonância magnética tem grande potencial para entender como nosso cérebro reage a vários tipos de estimulação; no entanto, isto é conseguido frequentemente sem considerar o aspecto dinâmico de processamento funcional, e analíticas saídas normalmente representam influências mescladas de efeitos orientado para a tarefa e subjacentes flutuações espontâneas de atividade cerebral. Aqui, apresentamos um romance pipeline metodológico que pode ir além dessas limitações: o uso de um esquema analítico de janela deslizante permite o rastreamento de alterações funcionais ao longo do tempo, e através de medições de busca Cruz-tema, a abordagem pode Isole efeitos puramente relacionados com o estímulo. Graças a um processo rigoroso de limiarização, mudanças significativas na correlação funcional entre sujeitos podem ser extraídas e analisadas.

Em um conjunto de indivíduos saudáveis submetidos à estimulação audiovisual naturalista, vamos demonstrar a utilidade da abordagem amarrando as reconfigurações funcionais desvendadas para pistas particulares do filme. Vamos mostrar como, através de nosso método, um pode capturar qualquer um perfil temporal da atividade cerebral (a evolução de uma determinada conexão) ou centrar-se em um instantâneo espacial em um ponto chave de tempo. Nós fornecemos uma versão publicamente disponível do pipeline inteiro e descrever o seu uso e a influência de seus parâmetros chaves passo a passo.

Introduction

Ressonância magnética funcional (fMRI) tornou-se a ferramenta de escolha para a forma não-invasiva, monitorar as mudanças na atividade cerebral, resultante da estimulação externa. Mais especificamente, vívido interesse surgiu sobre a compreensão da estatística interdependência entre cursos de tempo de ativação regional, conhecido como conectividade funcional (FC)1 e normalmente computado como correlação de Pearson coeficiente. Interacções funcionais em todo o cérebro foram mostradas extensivamente para reconfigurar como uma função do subjacente tarefa2,3,4.

Duas direções analíticas foram seguidas separadamente para ir além desta caracterização introdutória: por um lado, a resposta induzida em uma região do cérebro determinado por um estímulo bloqueado tempo observou-se que correlacione fortemente em temas distintos5 . Quantificar esse assunto inter correlação (ISC) mostrou potencial para refinar nossa compreensão da cognição6,7,8,9 e cérebro desordens10,11 . Além disso, esta abordagem busca Cruz-assunto também foi estendida para a avaliação da sincronicidade inter-regional12, no que ficou conhecido como a abordagem de correlação funcional entre sujeitos (ISFC)13.

Por outro lado, o sabor dinâmico de reconfigurações FC começou a receber maior atenção (ver Hutchison et al.14, Preti, Bolton e Van De Ville15, Gonzales-Castillo e Bandettini16 Avaliações recentes sobre o baseada em tarefas e estado descansando os lados desta questão). Em particular, todo cérebro FC mudanças ao longo do tempo podem ser rastreadas através de medições consecutivas correlação sobre uma sub-janela temporal gradualmente deslocado17,18, revelando a introspecção adicional no contexto de tarefas comportamentais 19,20.

Aqui, apresentamos um quadro metodológico que combina essas duas avenidas. Com efeito, computamos ISFC em forma de janela deslizante para controlar a evolução da sincronicidade inter-regional entre os indivíduos expostos a um paradigma de tempo bloqueado, naturalista. Através do Cruz-assunto aspectos do método, análises concentram-se em efeitos orientada por estímulo, enquanto alterações espontâneas fMRI (que são correlatos através de disciplinas) são fortemente amortecidas. Isto é importante porque os padrões de atividade estado descansando e evocou a tarefa cada vez mais entende-se que ser caracterizado por propriedades distintas21,22.

Quanto o componente dinâmico do método, permite uma caracterização mais completa e exacta de estímulos de tarefa, particularmente quando sondando um paradigma naturalista, no qual um conjunto diversificado de pistas (auditiva, visual, social, etc.) são combinadas ao longo do tempo. Além disso, como a som avaliação estatística das flutuações dinâmicas significativas tem sido calorosamente debatida23,24, nossa abordagem leva particular cuidado este aspecto das análises isolando mudanças significativas do ISFC através comparação de dados nulos apropriado.

Ilustraremos o método em um conjunto de indivíduos saudáveis expostos a um estímulo áudio-visual do filme, para quem mostramos que o temporal e espacial ISFC alterar perfis decorrentes filme localizada sub intervalos podem ser extraídos com precisão. Ao fazê-lo, nós também descrevem a influência dos principais parâmetros analíticos para ser selecionado pelo usuário. Os resultados apresentados baseiam-se na parte de dados anteriormente publicados25,26.

Protocol

O seguinte protocolo foi aprovado pelo Comitê de ética local (protocolo biomédico Inserm 365 C08-39). 1. pré-imagem latente Inscrever-se uma população de estudo de temas, obtenção de escritos, consentimento informado para todos eles. Procure a aprovação do Comitê de ética local. Selecione um paradigma para investigar o que pode ser aplicado a todos os assuntos de forma tempo-fechado.Nota: Aqui, usamos um documentário científico audiovisual para jovens (https://miplab.epfl.ch/index.php/miplife/research/supplement-asd-study). 2. imagem latente Para cada assunto a considerar nas análises, realize pelo menos uma sessão de imagiologia funcional, em que o voluntário digitalizado é submetido ao paradigma de tempo bloqueado de interesse. Use um scanner de 3 Tesla MRI para adquirir fatias transversais através de uma sequência de imagem de echoplanar. Empregar os seguintes parâmetros de imagem: tamanho de voxel = 3 x 3 mm x 3 mm, tempo de repetição (TR) = 2 s, tempo de eco = 50 ms, campo de visão = 192, 40 fatias.Nota: Valores de TR mais rápidos são incentivados no âmbito da viabilidade. O protocolo também pode ser aplicado com um campo de visão mais restrito (por exemplo, para análises restringida a uma subestrutura de específicas do cérebro), que permitiria uma melhor resolução temporal (TR inferior), ou um espacialmente mais precisa de análise. Deixe alguns segundos de gravação (TR ≥ 2) antes e após a apresentação do estímulo. Realize pelo menos um funcional de imagem sessão separada na qual o voluntário digitalizado encontra-se em repouso no scanner, olhos fechados e instruído para não cair no sono.Nota: Aquisições relacionadas com o estímulo e a descansar-estado separadas evitar possível caso contrário interacções entre as condições (por exemplo, ter assistido o filme antes pode deixar um rastro duradouro para uma gravação de estado descansando posteriormente adquirida)27. Se não pretende ir através da aquisição de estado descansando adicional acima mencionada, uma alternativa (embora mais propenso para a detecção de falsos positivos; ver discussão) opção computacional no pipeline substitui esses dados por cursos de tempo substituto calculado a partir dos sinais relacionados ao paradigma (consulte a etapa 5.1.2). Execute imagem estrutural. Use um scanner de 3 Tesla MRI e sequência gradiente eco ponderada T1 magnetização-preparado rápida aquisição. Empregar os seguintes parâmetros de imagem: tamanho de voxel = 1 x 1 mm x 1, campo de visão = 256, 176 fatias. 3. dados e elaboração de Software Para cada sessão analisar, assegurar a existência dos arquivos de dados a seguir: Um conjunto de volumes de MRI funcionais, presentes como 3D NIFTI ou HDR/IMG arquivos separados, com um esquema de numeração consistente (por exemplo, “fMRI_0001”, “fMRI_0002”, etc.). Uma T1 estruturais imagens de ressonância magnética, no formato NIFTI ou HDR/IMG. Um atlas de interesse no espaço Montreal Neurological Institute (MNI), em formato NIFTI.Nota: Um exemplo de arquivos de entrada necessários é fornecido para um assunto representante (“S17”), juntamente com o código completo do oleoduto, no https://c4science.ch/source/Intersubj_pipeline.git Baixe a versão mais recente do disponível publicamente Freesurfer software28 (https://surfer.nmr.mgh.harvard.edu/fswiki/DownloadAndInstall). Baixe a versão mais recente do toolbox MATLAB estatístico paramétrico Mapping (SPM) publicamente disponível de https://www.fil.ion.ucl.ac.uk/spm/software/spm12/. Abrir o MATLAB (versão 2017a ou mais recente) e localize as recém-baixado pastas “freesurfer” e “spm12”. Para cada um, clique direito sobre ele e selecione a Adicionar ao caminho > selecionado pastas e subpastas opção. 4. dados de pré-processamento No terminal MATLAB, tipo spm para abrir o menu principal do SPM12 e clique no botão para aceder às opções de pré-processamento de fMRI dedicou-se aos dados fMRI. Execute as seguintes etapas separadamente para cada sessão de fMRI pré-processar. Clique em realinhar (Est & Res)e na janela do Editor de lote recém aberto, dê um duplo clique em dados > sessão. Na janela de sessão recém aberta, selecione todas as imagens funcionais para processar. Clique no botão feito e depois, no ícone Executar Batch da janela Editor do lote (triângulo verde). Espere até que seja concluída a etapa de realinhamento, conforme indicado na janela do terminal de MATLAB. Clique em Coregister (Est & Res)e na janela do Editor de lote recém aberto, clique duas vezes na imagem de referência. Na janela de imagem de referência recém aberta, selecione o volume médio funcional criado na etapa seguinte, prefixada com “média” e clique no botão feito . Em seguida, clique duas vezes na imagem de origeme na janela de imagem de origem recém aberta, selecione a imagem de T1. Clique no botão feito e depois, no ícone Executar Batch da janela Editor do lote (triângulo verde). Espere até que seja concluída a etapa de coregistration, conforme indicado na janela do terminal de MATLAB.Nota: A imagem de T1 é sobrescrita neste passo, para que o actualizado um encontra-se no mesmo espaço como os volumes funcionais. Clique no segmentoe na janela do Editor de lote recém aberto, clique duas vezes em Volumes. Na janela de Volumes recém aberta, selecione a imagem de T1 e clique no botão feito . Em seguida, na janela do Editor de lote, clique duas vezes em Campos de deformação e selecione a opção inversa . Clique no ícone Executar Batch (triângulo verde) e espere até que seja concluída a etapa de segmentação, conforme indicado na janela do terminal de MATLAB. Digite JOVE_GUI1 no terminal para abrir a primeira janela pré-processamento de interface gráfica do usuário MATLAB. Execute as seguintes etapas para cada sessão de fMRI analisar. Clique em Enter fMRI dadose selecione todos os volumes funcionais realinhados criados na etapa 4.1.1 (prefixado com “r”). Para arquivos IMG/HDR, selecione o IMG e HDR volumes. Insira o TR dos dados (em segundos) na janela de texto editável dedicado. Clique em T1 inserir dados e selecionar os três volumes de tipo probabilístico tecido criados na etapa 4.1.3 (prefixado com “c1”, “c2” e “c3”). Clique no arquivo de movimento de Entere selecione o arquivo de texto contendo parâmetros de movimento da sessão de interesse, criado na etapa 4.1.1 e prefixado com “rp”. Selecione o tipo desejado de pré-processamento, isto é, se os dados devem ser detrended ou não (respectivamente definir o botão de rádio dedicado ligado ou desligado), e que covariáveis devem ser regredidas fora (selecionando a opção apropriada na lista dedicada).Nota: A etapa de regressão é inspirada uma função proveniente da caixa de ferramentas DPARSF29. Os sinais de matéria branca e líquido cefalorraquidiano de temas individuais são calculados os voxels para o qual o mapa de tecido probabilística do respectivo modelo DPARSF mostrou um sinal maior que 0,99. Em nossas análises, estamos detrended os dados e regrediu cursos de tempo fluido cerebrospinal/matéria branca tendências, bem como constantes, lineares e quadráticas. Para pré-processar os dados, clique em Preprocesse esperar que o display apareça na janela. Os dados podem ser re-processados de forma diferente modificando as opções, e clicar novamente no botão Preprocess .Nota: A trama de matéria cinzenta é inspirada a representação sugerida pelo poder et al30. Para salvar a saída para as etapas a seguir, clique no botão salvar . Para limpar o conteúdo da janela, clique no botão limpar . Complementar Figura 1: exemplo screenshot da primeira janela de interface de usuário gráfica pré-processamento. Voxel-sábio tempo cursos de voxels de matéria cinzenta, seguindo as opções selecionadas de pré-processamento (terreno bem superior) e covariáveis que podem ser usados no pré-processamento (de cima para baixo: cursos de tempo médio de matéria de líquido cefalorraquidiano/branco, movimento translacional parâmetros e parâmetros de movimento rotacional. Clique aqui para ver uma versão maior desta figura. Digite JOVE_GUI2 no terminal para abrir a segunda janela pré-processamento de interface gráfica do usuário MATLAB. Execute as seguintes etapas para cada sessão de fMRI analisar. Clique em selecionar dadose selecione o arquivo de dados que salvou na etapa 4.2.7 (chamado “ISFC_VX.mat”). Clique em selecionar o movimentoe selecione o arquivo de texto contendo parâmetros de movimento da sessão de interesse, criado na etapa 4.1.1 e prefixado com “rp”. Clique em selecione atlase selecione o arquivo NIFTI representando o atlas para usar para parcellation. Clique em selecione dobra inversae selecione o arquivo NIFTI representando o campo de deformação do MNI para espaço nativo, criado no passo 4.1.3 e prefixado com “iy”. Clique em selecione volume fMRIe selecione qualquer um dos volumes de dados fMRI.Nota: Esta etapa permite acessar as informações de cabeçalho de dados funcionais, daí porque o volume real escolhido não é importante. Insira o TR dos dados (em segundos) na janela de texto editável dedicado. Insira informações relacionadas à lavagem: o tipo de lavagem para executar (ou seja,, quantos quadros para esfregar fora antes e após os marcados) na lista “Tipo de esfrega” e o valor de limite de deslocamento de framewise (critério31) do poder acima do qual deve ser esfregado um volume de fMRI na janela de texto editável “Limiar de depuração” (em mm).Nota: Interpolação spline cúbica é realizada em pontos de dados limpa para substituí-los com valores estimados de amostras vizinhas. Em nossas análises, estamos esfregado um quadro após os volumes marcados e usado um limiar de 0,5 mm para esfregar. Digite o tamanho do W janela deslizante para usar para ISFC cálculos (Veja passo 5), em TRs.Nota: Este pedaço de informação irá habilitar a filtragem de cursos de tempo através de uma função proveniente da caixa de ferramentas DPARSF29, f = 1/W Hz32. Em nossas análises, usamos W = 10 TR como um valor de troca, para capturar as flutuações dinâmicas, preservando a suficiente amostras para estimativas robustas. Clique no botão Plot para exibir cursos indicativo atlased tempo antes (plano superior) e depois (plano de fundo) a lavagem e filtragem de passos. Verificar, por inspeção visual, que o pré-processamento selecionados a seguir os passos, os sinais de saída não incorporar componentes diferente salientes. Para salvar as saídas para as etapas a seguir, insira um salvar nome na janela de texto editável dedicado e clique no botão salvar . Para limpar o conteúdo da janela, clique no botão limpar . Complementar Figura 2: screenshot do exemplo da segunda janela de interface de usuário gráfica pré-processamento. Cursos regionais tempo seguindo atlasing, antes (plano superior) e depois (plano de fundo) lavagem e filtragem de acordo com parâmetros de selecionado. Cada curva retrata um curso de tempo regional, selecionado aleatoriamente entre todos os disponíveis. Clique aqui para ver uma versão maior desta figura. 5. janela deslizante ISFC computações Digite JOVE_GUI3 no terminal para abrir a primeira janela de interface de usuário gráfica ISFC relacionadas MATLAB. Execute as seguintes etapas separadamente para cada tipo de segmento de sessão adquirida fMRI (segmentos relacionados ao estímulo, descansando-estado segmentos das sessões relacionadas com estímulo e segmentos puramente descansando-estado). Clique em carregar dadose selecione todos os arquivos de dados apropriado criados através do passo 4.3. Selecione se os segmentos de sessão selecionado devem se submeter a randomização de fase.Nota: Fase de randomização pode ser usada como uma opção alternativa para a geração de dados nulos de sinais relacionados ao estímulo, se nenhum estado descansando gravações estão disponíveis. Insira o TR dos dados (em segundos) na janela de texto editável dedicado. Digite parâmetros de janela deslizante para usar para a análise nas janelas de texto editável dedicado: tamanho da janela (em TRs) sobre qual conectividade medições devem ser calculadas e tamanho do passo (em TRs) pelo qual windows sucessivas devem ser deslocadas.Nota: Em nossas análises, usamos um tamanho de janela de 10 TR e um tamanho de passo de 1 TR. Modifica a tabela “Tipos de sessão” para especificar quais dos segmentos carregado sessão foram adquiridos mediante a mesma condição experimental. Use o crescente números inteiros de 1 a partir de diferentes tipos de marcas de segmentos (por exemplo, se o estímulo foi exibido pela primeira vez ou pela segunda vez em uma determinada gravação). Deixe a mesa intocada, se apenas um tipo de segmento de sessão foi adquirido.Nota: Uma sessão no presente trabalho pode referir-se a uma gravação de filme/descansando-estado combinada (denominado RUN1 e executar2 na figura 1A), ou para uma gravação puramente descansando-estado (executar3). Um segmento de sessão refere-se a uma porção de sub de uma gravação da sessão, quando o filme foi assistido, ou quando os sujeitos mentiram em repouso. As informações acima são usadas nos cálculos ISFC descritos posteriormente (consulte a etapa 5.1.8) para limitar a influência de confundimento de tipos de segmento de sessão diferente. Digite parâmetros relacionados à inicialização no windows dedicado texto editável: o número de dobras sobre qual executar computações ISFC de inicialização e o número de assuntos que devem constituir o grupo de referência para cada dobra de computações ISFC.Nota: Em nossas análises, utilizamos 250 dobras de inicialização e 6 temas para o grupo de referência. Insira as especificações sobre quais sub parte dos cursos de tempo deve ser analisado na seção parâmetros de temporização , nas janelas de texto editável dedicado. Um índice de início e um índice final (em TRs) devem ser fornecidos. Para analisar a duração da gravação inteira, use 1 como iniciar o índice e o número de amostras como índice final. Clique no botão traçar para executar computações ISFC. Exibe gradualmente é atualizados ao longo do tempo, juntamente com a quantidade de dobras de inicialização decorridas. Para um par de região (i, j) e um deslizante janela índice τ, ISFC é calculado como a média das correlações cruzadas entre sessão segmento s e todos os segmentos da sessão do grupo de referência, dentro de uma janela deslizante de comprimento W; denotar este grupo de referência pelo Ψ, seu número de indivíduos NΨ, e deixar xi[s](t) o tempo de curso da região i para sessão segmento s no tempo t; uma estimativa ISFC é dada por:ISFC medições são calculadas sobre o valor especificado de inicialização dobras e com o número seleccionado de segmentos de sessão usada como um grupo de referência em cada dobram (consulte a etapa 5.1.6). Se vários subtipos de segmento de sessão são incluídos, uma mistura de amostras de subtipo sempre compõe o grupo de referência. A saída final para cada segmento de sessão é o ISFC média em todas as dobras, em que não foi incluída como uma medida de referência.Nota: O grupo de referência é o conjunto de segmentos de sessão para que o tempo funcional cursos de sessão segmento s são comparados em cada dobra do processo de inicialização. Para os resultados a ser mais robustos para pontos de dados de outlier, ISFC é computado várias vezes em um grupo de referência diferente (isto é, um subconjunto diferente dos segmentos da sessão). Importante, o tempo de aquisição t não corresponde a τ de índice de janela deslizante, como este é calculado sobre um conjunto de pontos de dados de W e depende o tamanho do passo de janela para estimativas sucessivas. O processo de inicialização foi inspirado de um antigo estudo de Byrge et al.33. Para salvar as saídas para as etapas a seguir, insira um salvar nome na janela de texto editável dedicado e clique no botão salvar . Para limpar o conteúdo da janela, clique no botão limpar . Complementar Figura 3: exemplo screenshot da primeira janela de interface de usuário gráfica ISFC relacionadas. (Parcela superior) Representação esquemática de quantas vezes cada considerado sessão tem suas medições ISFC calculadas (ou seja, não é selecionada dentro do grupo de referência). (Plano de fundo) Sobre um assunto indicativo, cursos ISFC tempo computado para 50 conexões de exemplo, selecionadas como os que exibem os maiores valores ISFC absolutos somados ao longo do tempo. Clique aqui para ver uma versão maior desta figura. Digite JOVE_GUI4 no terminal para abrir a janela de interface de usuário gráfica ISFC relacionadas segunda MATLAB. Clique em Load ISFC dados e selecione os relacionados ao estímulo ISFC saída arquivo criados na etapa 5.1. Clique em carregar dados nulos e selecione, , dependendo do regime de geração de dados nula usados, ISFC o estado de repouso, ou a fase randomizados relacionados ao estímulo ISFC saída arquivo (s) criado na etapa 5.1. Clique no livro de carga e selecione o arquivo de livro criado no passo 4.3. Insira o TR dos dados (em segundos) na janela de texto editável dedicado. Insira os parâmetros de janela deslizante usados nos cálculos de passo 5.1 (tamanho da janela e o tamanho do passo, em TRs) no windows dedicado texto editável. Entra (por cento) o valor de α no qual os cursos de tempo ISFC devem ser thresholded para realçar alterações significativas na janela de texto editável dedicado.Nota: Aqui e alhures, quando nos referimos a um α-valor de 2,5%, significa que o significado é alcançado quando um valor é inferior a 2,5ésimo percentil, ou maior do que oésimo percentil 97,5, de dados nulos. Em nossas análises, tivemos 5.762 pontos de dados do estado de repouso à nossa disposição e selecionado um valor de α de 10-4. Isto significa que nós queríamos 0,01% de amostras de dados a ser maior ou igual a dos limiares selecionados depois que uma excursão ISFC seria considerada significativa. Para fins de comparação, o α-nível exigido pela correção de Bonferroni seria 0,05/44.551 = 1,12 x 10-6, e o mais rigoroso possível α-nível habilitado com a quantidade de dados (n amostras) seria . Clique no botão traçar para realizar o processo de limiarização ISFC, no qual ISFC nulo disponível todas as medições são agregadas, para uma determinada conexão, para construir uma distribuição nula, após o qual ISFC relacionados ao estímulo medições são thresholded de acordo com o valor de α selecionado. Pontos de tempo em que um valor ISFC estímulo relacionado estatisticamente significativamente excede a distribuição nula são marcados como -1 / + 1 para ISFC significativa diminui e aumenta, respectivamente.Nota: O processo de transição se inspira o trabalho FC descansando-estado dinâmico de Betzel et al23. Para visualizar os padrões espaciais de ISFC em pontos diferentes de tempo, arraste o controle deslizante abaixo o enredo de excursão ISFC. Complementar Figura 4: exemplo screenshot da segunda janela de interface de usuário gráfica ISFC relacionadas. (Superior esquerdo terreno) Sobre um assunto indicativo, cursos de tempo ISFC calculada para três conexões de exemplo, selecionados como os que exibem a maior quantidade de excursões ISFC significativas e exibido com seus limiares associado significado computada (linhas horizontais). (Terreno de inferior esquerdo) Para as mesmas conexões, excursão associado cursos de tempo média de assuntos, com duas caudas 95% intervalos de confiança apresentados como erro de medição. (Direito terreno) Padrão ISFC espacial (em média ISFC excursões através de disciplinas) para um ponto de tempo selecionado indicado por uma linha preta vertical no ISFC e excursão parcelas. Positiva ISFC excursões são mostrados em amarelo e negativa em rosa. O código de cor e tamanho de nós são proporcionais ao seu grau. Clique aqui para ver uma versão maior desta figura.

Representative Results

Aqui, consideramos n = 15 temas (TD) tipicamente em desenvolvimento, para os quais obtivemos o consentimento informado por escrito,. Todos eram homens destros (23.42 ± 7,8 anos de idade). O paradigma escolhido foi um documentário audiovisual científico para os jovens sobre os perigos da exposição ao sol. Ele contém uma grande variedade de estímulos visuais, auditivos e sociais e pode ser visto em https://miplab.epfl.ch/index.php/miplife/research/supplement-asd-study. Adquirimos duas sessões por assunto (RUN1 e executar2) em que o filme avaliado foi exibido de 5 a 353 s (Duração min 5,8). Um segmento do estado descansando também seguido de 386 para 678 s (4,9 min duração). Além disso, uma sessão de apenas descansando-estado (RUN3) foi adquirida para cada disciplina (excluindo aquele que sofria de claustrofobia) e duradouro para 310 s (5,2 min). Cenas do filme de exemplo e o sincronismo dos dados adquiridos estão resumidos na figura 1A. Importante, o protocolo de aquisição não era ideal no sentido que gravações descansando-estado adquirido apenas após exposição filme pode estar parcialmente corrompida por efeitos de repercussões27; fazemos uso destes dados nas presentes conclusões para ter uma quantidade satisfatória de amostras para o limiar estatístico, mas isso deve ser evitado sempre que possível. Que excluímos todas as sessões, para que mais de 10% dos quadros estava limpo, um limiar de 0,5 mm e considerado o parcellation de Craddock et al.34 (algoritmo de correlação temporal de dois níveis) para gerar cursos regionais de tempo, para um total de 299 regiões cerebrais diferentes. ISFC foi computado separadamente por (1) o filme-ver subparts de RUN1 e executar2, (2) os estado descansando subpartes de execução1 e executar2e (3) as estado descansando RUN3 gravações. Usamos um comprimento de janela W = 10 TR para os principais apresentaram resultados e compará-los com um valor mais baixo de W = 5 tamanho TR. passo sempre manteve-se igual a 1 TR. Bootstrapping foi executada mais de 250 dobras, incluindo a sessão 6 segmentos em cada grupo de referência. Figura 1B apresenta cursos de tempo ISFC gerados no W = 10 TR e W = 5 TR para três diferentes conexões de representante: conexão 1 envolveu uma esquerda região parietal inferior relacionada com a expectativa de objetos em movimento (MNI coordenadas: 41,9,32)35 e um direito área frontal odontódios ligada à inibição de resposta (-34,-52,45)36. Nesta última região também foi implicada em conexões de 2 e 3, respectivamente com uma área implicada na coordenação sensorial (54,6,34)37e um amarrado para o processamento do significado das palavras (6,62,9)38. Uma comparação entre comprimentos de janela revela que no W = 5 configuração TR, Variação temporal nas matérias em geral é maior em ambos os casos de estado descansando e assistindo filme segmento em comparação com W = 10 TR, um fenômeno conhecido em análises de janela deslizante39. Para conexão 1, independentemente da duração da janela, uma subparte localizada da gravação de filmes a assistir (em cerca de 55 s) mostra uma forte, sincronizado ISFC aumentar através de temas, que largamente excede o intervalo de valores tomado no caso Estado descansando. Assim, esperamos capturar esta subparte temporal como uma significativa ISFC transitória com nosso método de limiarização. Para conexão 2, observamos a dinâmica temporal semelhante, mas para W = 5 TR, o aumento se torna menos fácil de separar em comparação com os cursos de tempo descansando-estado, devido o maior janela deslizante metodologia relacionadas com ruído. Quanto a conexão 3, reflete um caso em que não há nenhuma resposta clara para o filme, e assim, as flutuações dos campos de tempo estado descansando e assistindo filme são semelhantes. O resultado esperado nesta fase analítica é uma mistura entre conexões que mostram claras induzida por estímulo reconfigurações e conexões que não respondem. Figura 1: tempo de aquisição e exemplo ISFC tempo cursos. (A), o filme assistido pelos sujeitos envolvidos uma grande variedade de situações sociais (imagens de exemplo 1 e 4), as explicações científicas com painéis coloridos (imagens de exemplo 2 e 5) e paisagem paisagens (imagem exemplo 3). Três sessões foram adquiridas por assunto: dois (executar1 e2de correr) incluíram a estimulação de filme (de 5 a 353 s, realçado em verde) seguido por um período de repouso-estado (de 386 para 678 s, mostrado em amarelo), enquanto um (RUN3) unicamente consistia em uma gravação de estado descansando (310 s de duração, exibido em laranja). (B) para três conexões indicativo (C1, C2 e C3, respectivamente escuro verde/vermelho, luz verde/laranja e turquesa/amarelo traços), evolução do ISFC ao longo do tempo durante o filme-assistindo (cores frias) ou descansando-estado (cores quentes). Para W = 10 TR (painel esquerdo), assistir filme ISFC muda mais largamente stand out em comparação com W = 5 TR (painel direito). Cada traço reflete o curso do tempo ISFC de uma sessão. Esta figura foi modificada em parte de Bolton et al.25. Clique aqui para ver uma versão maior desta figura. Figura 2A exibe os resultados após limiarização estatística dos cursos de tempo ISFC, para as mesmas três conexões como acima. Aponte um tempo curso valor 1 significa que todos os indivíduos foram submetidos ao mesmo aumento ISFC ao mesmo tempo; um valor de 0 significa que nenhum assunto sofreu uma significativa mudança ISFC; um valor -1 representa uma diminuição ISFC síncrona em todas as disciplinas. Como antes, podemos contrastar W = 5 TR e W = 10 TR e nós também destacar dois casos de α-valor: α = 0,01% e α = 5 %). Montagem com as observações acima, um comprimento de janela baixo reduz a quantidade de extraído alterações significativas do ISFC. Para conexão 1, ambos W = 5 TR e W = 10 TR, no entanto, extrair o mesmo momento particular (t = 55 s) como um forte aumento de ISFC. Tendo um atraso hemodinâmico de cerca de 5 s em conta, isso corresponde a uma subparte do filme quando linhas coloridas foram estendendo-se para uma boneca e de repente pararam apenas na frente dele (s 46-49), encaixe com o papel das regiões envolvidas em mover objeto expectativa e resposta inibição35,36. Quando aumentar α de 0,01% para 5%, pode-se observar uma especificidade muito baixa das transientes ISFC detectados, provavelmente incluindo muitos falsos positivos e conforme esperado, mostrando sincronia temporal muito menos. Como outra perspectiva que pode ser definida nos dados, Figura 2B mostra o cérebro todo-espacial de mapas de alterações significativas do ISFC em t = 55 s. Pode ser visto que a resposta para a cena do filme vai muito além das ligações de exemplo descritas aqui. Figura 2: instantâneos espaciais e Temporal dos padrões de ISFC. Cursos de tempo transitória (A) ISFC, médias de temas, para três conexões indicativo (C1, C2 e C3, respectivamente escuros traços verdes, luz verdes e turquesas). A cena do filme que levou as ISFC alterações destacada em cinza claro e retratada por imagens de exemplo. Para W = 10 TR (coluna esquerda dos lotes), ISFC alterações são detectadas mais fortemente do que para W = 5 TR (coluna direita de parcelas). Para α = 0,01% (topo das parcelas), a especificidade de pistas localizadas filme é maior do que para α = 5% (linha de fundo dos lotes). Cada traço reflete o curso do tempo transiente ISFC de uma sessão, e os intervalos de confiança de 95% bi-caudal são exibidos como erro de medição. (B) para W = 10 TR e α = 0,01%, há um padrão espacial puro, restrito de transientes ISFC em t = 55 s (pico ISFC transitória para o valor C1); para W = 5 TR e α = 5%, conexões, passando por uma mudança significativa do ISFC neste momento são muito mais numerosos. Observe que assumimos um hemodinâmico atraso de cerca de 5 s na temporalidade descrita (ou seja,, um valor de 55 s aqui refere-se ao estímulo do filme em 50 s). Esta figura foi modificada em parte de Bolton et al.25. Clique aqui para ver uma versão maior desta figura.

Discussion

Em um conjunto de dados de indivíduos saudáveis, demonstrámos como síncronos Cruz-assunto aumentos e diminuições no FC, os transientes ISFC, combinaria com sugestões de filme temporalmente localizadas, fornecendo informações que vai além de uma descrição estática. Embora o uso da Cruz-assunto correlação mede permite focalizar a análise orientada por estímulo funcionais reconfigurações, um também deve estar ciente de que limita as conclusões para os efeitos que são compartilhadas entre a população estudada: daí, baixo nível de processamento sensorial é esperado para estar sobre-representados em relação ao processamento frontal40. Para contornar essa limitação, novos métodos que também têm a capacidade de extrair as regiões que mais fortemente variam entre indivíduos estão sendo desenvolvidos41.

Outra limitação da metodologia introduzida surge a partir do aspecto de janela deslizante, conforme resolução temporal de cursos de tempo transitória ISFC é reduzida em comparação com abordagens frame-wise15. Como mostramos, um trade-off é necessário entre um comprimento de janela suficientemente baixa para resolver adequadamente a dinâmicas reconfigurações ISFC e estima que um tamanho grande o suficiente para obter robusto. Dois passos críticos em nossa estrutura de assegurar que os transientes ISFC extraídos refletem verdadeiramente ocorrendo mudanças na conectividade: primeiro, a filtragem passa-alta de cursos regionais de tempo com o inverso da janela comprimento32; segundo, o uso de dados de ISFC estado descansando para a geração de uma distribuição nula relevante, com parâmetros de aquisição idênticos em comparação com os dados relacionados ao estímulo. Claro, este último também requer um tempo de aquisição global mais longa, para que os dados do estado de repouso podem ser obtidos no topo sessões relacionados ao estímulo. Como uma abordagem alternativa para evitar as gravações adicionais do estado descansando, nós também oferecemos a possibilidade de gerar dados randomizado de fase diretamente dos campos relacionados ao estímulo do tempo, uma abordagem frequentemente usada em análises de conectividade funcional dinâmica 23 , 24. avaliação contínua em um subconjunto de sessões revelou que, embora o método nulo do estado de repouso é mais conservador, e, portanto, menos propenso a falsos positivos, os padrões globais de deteção de excursão ISFC foram semelhantes em ambos os esquemas (ver Complementar Figura 5).

Supplementary Figure 5
Complementar Figura 5: excursões de deteção de ISFC através de métodos de geração de dados nula. Para o estado de repouso (parcelas da coluna da esquerda, azul) ou métodos de geração de dados nulos de randomização (parcelas da coluna da direita, vermelho) fase, porcentagem de excursões ISFC extraídos através de conexões. As parcelas do fundo são um baixo-relevo nas ligações emanando as três primeiras regiões do cérebro considerado. Erro representa o desvio padrão em temas. Clique aqui para ver uma versão maior desta figura.

A duração das aquisições estado descansando na verdade refere-se a um parâmetro crítico das análises: o valor de α. Como exemplificado acima, uma escolha muito branda conduzirá a uma grande quantidade de falsos positivos nas transientes ISFC detectados. Quanto maior a quantidade de dados disponíveis de estado descansando, o mais rigoroso o falso positivo realizável taxa, porque limiarização pode basear-se mais valores extremos da distribuição nula. Como uma indicação, para n = 299 regiões atlas como aqui e dada a nossa contagem de 5.762 pontos de dados do estado de repouso, na melhor das hipóteses poderíamos alcançar um valor de α cerca de 0,01% (consulte Etapa 5.2.6 para detalhes matemáticos).

Outro ponto-chave relativos a qualquer análise de fMRI situa-se na remoção de possíveis artefatos relacionados ao movimento de30,os dados analisados42rigorosa. Em particular, se deseja aplicar o pipeline introduzido às populações doentes exibindo marcado movimento no scanner, recomendamos que no topo incluindo variáveis de movimento como covariáveis nas análises estatísticas realizadas, pré-processamento adicional passos de ser executado, tais como wavelet denoising43 ou ICA-AROMA44. Grupo de comparação, por exemplo para comparar transientes ISFC entre um saudável e um grupo de doente, pode ser prontamente realizada executando a abordagem descrita em paralelo em ambos os grupos de interesse (veja Bolton et al.25 para obter um exemplo sobre uma população diagnosticada com transtornos do espectro do autismo). Porém, uma diferença entre os grupos então pode surgir em duas configurações distintas: (1) um ausente ISFC alterar em um grupo, ou (2) uma evolução mais heterogênea nesse grupo. Para desvendar esses dois fatores, o gasoduto deve ser executado mais uma vez para o grupo de doente, usando o indivíduo sadio, definido como o grupo de referência para a etapa de inicialização. O primeiro caso ainda resultaria em uma resposta ausente, Considerando que não seria o último.

Em cima o que descrevemos aqui, a metodologia introduzida também abre prometendo futuras avenidas: de um lado analítico, mapas transientes ISFC poderiam ser vistos como gráficos de cérebro de que métricas para quantificar o cérebro conectividade pode ser derivada de45, ou dinâmica ISFC Estados poderiam ser extraídos através de abordagens de clustering e avaliados em termos de suas características espaciais e temporais de17,46. Além disso, um pode também considerar o uso de ferramentas de medição de conectividade mais sofisticados do que o coeficiente de correlação de Pearson para revelar os lados mais subtler do FC47,48.

Do lado experimental, a aplicação de nosso pipeline para um conjunto mais alargado de paradigmas é uma perspectiva promissora: por exemplo, em vez de um filme como estudei aqui, um poderia prever para usar um pedaço de música49 ou uma história narrativa13, 50 , como um estímulo tempo bloqueado. Alternativamente, ele poderia até ser vislumbrado, através de hyperscanning51, para sondar a comunicação social naturalista52,53.

Disclosures

The authors have nothing to disclose.

Acknowledgements

Este trabalho foi financiado em parte por cada um dos seguintes: o Swiss National Science Foundation (205321_163376 do número de concessão para DVDV), a Fundação Bertarelli (para TB e DVDV), do centro para a imagem latente Biomedical (CIBM) e a Agência Nacional de pesquisa ( tempofront número de concessão 04701 a AIG). Os autores gostam de agradecer sua contribuição para o conteúdo de vídeo deste trabalho como, respectivamente, o operador de MRI Roberto Martuzzi e Giulia Preti e digitalizados voluntários.

Materials

Freesurfer version 6.0 Laboratory for Computational Neuroimaging, Martinos Center for Biomedical Imaging, Boston (MA), USA https://surfer.nmr.mgh.harvard.edu/fswiki/DownloadAndInstall A MATLAB-compatible toolbox enabling to carry out various processing, visualisation and analytical steps on functional magnetic resonance imaging data
MATLAB_R2017a MathWorks https://ch.mathworks.com/downloads/ Working version of the MATLAB computational software (version 2014a or more recent should be used)
Statistical Parametric Mapping version 12.0 (SPM12) Wellcome Trust Center for Neuroimaging, University College London, London, UK https://www.fil.ion.ucl.ac.uk/spm/software/spm12/ A MATLAB-compatible toolbox enabling to perform statistical analyses on functional magnetic resonance imaging data
Tim-Trio 3 T MRI scanner Siemens https://www.healthcare.siemens.ch/magnetic-resonance-imaging/for-installed-base-business-only-do-not-publish/magnetom-trio-tim Magnetic resonance imaging scanner in which subjects have their functional brain activity recorded (at 3 T)

References

  1. Friston, K. J. Functional and effective connectivity in neuroimaging: A synthesis. Human Brain Mapping. 2 (1-2), 56-78 (1994).
  2. Gonzales-Castillo, J., et al. Tracking ongoing cognition in individuals using brief, whole-brain functional connectivity patterns. Proceedings of the National Academy of Sciences U.S.A. 112 (28), 8762-8767 (2015).
  3. Peltz, E., et al. Functional connectivity of the human insular cortex during noxious and innocuous thermal stimulation. Neuroimage. 54 (2), 1324-1335 (2011).
  4. Shirer, W. R., Ryali, S., Rykhlevskaia, E., Menon, V., Greicius, M. D. Decoding subject-driven cognitive states with whole-brain connectivity patterns. Cerebral Cortex. 22 (1), 158-165 (2012).
  5. Hasson, U., Nir, Y., Levy, I., Fuhrmann, G., Malach, R. Intersubject Synchronization of Cortical Activity During Natural Vision. Science. 303 (5664), 1634-1640 (2004).
  6. Hasson, U., Furman, O., Clark, D., Dudai, Y., Davachi, L. Enhanced Intersubject Correlations during Movie Viewing Correlate with Successful Episodic Encoding. Neuron. 57 (3), 452-462 (2008).
  7. Hasson, U., Yang, E., Vallines, I., Heeger, D. J., Rubin, N. A Hierarchy of Temporal Receptive Windows in Human Cortex. Journal of Neuroscience. 28 (10), 2539-2550 (2008).
  8. Jääskeläinen, I. P., et al. Inter-Subject Synchronization of Prefrontal Cortex Hemodynamic Activity During Natural Viewing. The Open Neuroimaging Journal. 2, 14 (2008).
  9. Wilson, S. M., Molnar-Szakacs, I., Iacoboni, M. Beyond Superior Temporal Cortex: Intersubject Correlations in Narrative Speech Comprehension. Cerebral Cortex. 18 (1), 230-242 (2008).
  10. Hasson, U., et al. Shared and idiosyncratic cortical activation patterns in autism revealed under continuous real-life viewing conditions. Autism Research. 2 (4), 220-231 (2009).
  11. Salmi, J., et al. The brains of high functioning autistic individuals do not synchronize with those of others. NeuroImage: Clinical. 3, 489-497 (2013).
  12. Mantini, D., et al. Interspecies activity correlations reveal functional correspondence between monkey and human brain areas. Nature Methods. 9 (3), 277 (2012).
  13. Simony, E., et al. Dynamic reconfiguration of the default mode network during narrative comprehension. Nature Communications. 7, 12141 (2016).
  14. Hutchison, R. M., et al. Dynamic functional connectivity: promise, issues, and interpretations. Neuroimage. 80, 360-378 (2013).
  15. Preti, M. G., Bolton, T. A. W., Van De Ville, D. The dynamic functional connectome: state-of-the-art and perspectives. Neuroimage. 160, 41-54 (2017).
  16. Gonzalez-Castillo, J., Bandettini, P. A. Task-based dynamic functional connectivity: Recent findings and open questions. Neuroimage. 180, 526-533 (2018).
  17. Allen, E. A., et al. Tracking whole-brain connectivity dynamics in the resting state. Cerebral Cortex. 24 (3), 663-676 (2014).
  18. Sakoğlu, &. #. 2. 2. 0. ;., et al. A method for evaluating dynamic functional network connectivity and task-modulation: application to schizophrenia. Magnetic Resonance Materials in Physics, Biology and Medicine. 23 (5-6), 351-366 (2010).
  19. Douw, L., Wakeman, D., Tanaka, N., Liu, H. State-dependent variability of dynamic functional connectivity between frontoparietal and default networks relates to cognitive flexibility. Neuroscience. 339, 12-21 (2016).
  20. Mooneyham, B. W., et al. States of mind: characterizing the neural bases of focus and mind-wandering through dynamic functional connectivity. Journal of Cognitive Neuroscience. 29 (3), 495-506 (2017).
  21. Kim, D., Kay, K., Shulman, G. L., Corbetta, M. A New Modular Brain Organization of the BOLD Signal during Natural Vision. Cerebral Cortex. 28 (9), 3065-3081 (2018).
  22. Lynch, L. K., et al. Task-Evoked Functional Connectivity Does Not Explain Functional Connectivity Differences Between Rest and Task Conditions. Human Brain Mapping. 39, 4939-4948 (2018).
  23. Betzel, R. F., Fukushima, M., He, Y., Zuo, X. N., Sporns, O. Dynamic fluctuations coincide with periods of high and low modularity in resting-state functional brain networks. Neuroimage. 127, 287-297 (2016).
  24. Hindriks, R., et al. Can sliding-window correlations reveal dynamic functional connectivity in resting-state fMRI?. Neuroimage. , 242-256 (2016).
  25. Bolton, T. A. W., Jochaut, D., Giraud, A. L., Van De Ville, D. Brain dynamics in ASD during movie-watching show idiosyncratic functional integration and segregation. Human Brain Mapping. 39 (6), 2391-2404 (2018).
  26. Jochaut, D., et al. Atypical coordination of cortical oscillations in response to speech in autism. Frontiers in Human Neuroscience. 9, 171 (2015).
  27. Dodero, L., Sona, D., Meskaldji, D. E., Murino, V., Van De Ville, D. Traces of human functional activity: Moment-to-moment fluctuations in fMRI data. Biomedical Imaging (ISBI), 2016 IEEE 13th International Symposium. , 1307-1310 (2016).
  28. Fischl, B. Freesurfer. Neuroimage. 62 (2), 774-781 (2012).
  29. Yan, C., Zang, Y. DPARSF: a MATLAB toolbox for "pipeline" data analysis of resting-state fMRI. Frontiers in Systems Neuroscience. 4, 13 (2010).
  30. Power, J. D., et al. Methods to detect, characterize, and remove motion artifact in resting state fMRI. Neuroimage. 84, 320-341 (2014).
  31. Power, J. D., Barnes, K. A., Snyder, A. Z., Schlaggaer, B. L., Petersen, S. E. Spurious but systematic correlations in functional connectivity MRI networks arise from subject motion. Neuroimage. 59 (3), 2142-2154 (2012).
  32. Leonardi, N., Van De Ville, D. On spurious and real fluctuations of dynamic functional connectivity during rest. Neuroimage. 104, 430-436 (2015).
  33. Byrge, L., Dubois, J., Tyszka, J. M., Adolphs, R., Kennedy, D. P. Idiosyncratic brain activation patterns are associated with poor social comprehension in autism. Journal of Neuroscience. 35 (14), 5837-5850 (2015).
  34. Craddock, R. C., James, G. A., Holtzheimer, P. E., Hu, X. P., Mayberg, H. S. A whole brain fMRI atlas generated via spatially constrained spectral clustering. Human Brain Mapping. 33 (8), 1914-1928 (2012).
  35. Shulman, G. L., et al. Areas involved in encoding and applying directional expectations to moving objects. Journal of Neuroscience. 19 (21), 9480-9496 (1999).
  36. Sebastian, A., et al. Disentangling common and specific neural subprocesses of response inhibition. Neuroimage. 64, 601-615 (2013).
  37. Oullier, O., Jantzen, K. J., Steinberg, F. L., Kelso, J. A. S. Neural substrates of real and imagined sensorimotor coordination. Cerebral Cortex. 15 (7), 975-985 (2004).
  38. Chan, A. H., et al. Neural systems for word meaning modulated by semantic ambiguity. Neuroimage. 22 (3), 1128-1133 (2004).
  39. Lindquist, M. A., Xu, Y., Nebel, M. B., Caffo, B. S. Evaluating dynamic bivariate correlations in resting-state fMRI: A comparison study and a new approach. Neuroimage. 101 (1), 531-546 (2014).
  40. Ren, Y., Nguyen, V. T., Guo, L., Guo, C. C. Inter-subject functional correlation reveal a hierarchical organization of extrinsic and intrinsic systems in the brain. Scientific Reports. 7 (1), 10876 (2017).
  41. Kauppi, J. P., Pajula, J., Niemi, J., Hari, R., Tohka, J. Functional brain segmentation using inter-subject correlation in fMRI. Human Brain Mapping. 38 (5), 2643-2665 (2017).
  42. Van Dijk, K. R., Sabuncu, M. R., Buckner, R. L. The influence of head motion on intrinsic functional connectivity MRI. Neuroimage. 59 (1), 431-438 (2012).
  43. Patel, A. X., et al. A wavelet method for modeling and despiking motion artifacts from resting-state fMRI time series. Neuroimage. 95, 287-304 (2014).
  44. Pruim, R. H., et al. ICA-AROMA: A robust ICA-based strategy for removing motion artifacts from fMRI data. Neuroimage. , 267-277 (2015).
  45. Rubinov, M., Sporns, O. Complex network measures of brain connectivity: uses and interpretations. Neuroimage. 52 (3), 1059-1069 (2010).
  46. Damaraju, E., et al. Dynamic functional connectivity analysis reveals transient states of dysconnectivity in schizophrenia. NeuroImage: Clinical. 5, 298-308 (2014).
  47. Smith, S., et al. Network modelling methods for FMRI. Neuroimage. 54 (2), 875-891 (2011).
  48. Meskaldji, D. E., et al. Prediction of long-term memory scores in MCI based on resting-state fMRI. NeuroImage: Clinical. 12, 785-795 (2016).
  49. Abrams, D. A., et al. Inter-subject synchronization of brain responses during natural music listening. European Journal of Neuroscience. 37 (9), 1458-1469 (2013).
  50. Huth, A. G., de Heer, W. A., Friffiths, T. L., Theunissen, F. E., Gallant, J. L. Natural speech reveals the semantic maps that tile human cerebral cortex. Nature. 532 (7600), 453 (2016).
  51. Montague, P. R., et al. Hyperscanning: simultaneous fMRI during linked social interactions. Neuroimage. 16, 1159-1164 (2002).
  52. Bilek, E., et al. Information flow between interacting human brains: Identification, validation, and relationship to social expertise. Proceedings of the National Academy of Sciences U.S.A. 112 (16), 5207-5212 (2015).
  53. Kinreich, S., Djalovski, A., Kraus, L., Louzoun, Y., Feldman, R. Brain-to-brain synchrony during naturalistic social interactions. Scientific Reports. 7 (1), 17060 (2017).

Play Video

Cite This Article
Bolton, T. A., Jochaut, D., Giraud, A., Van De Ville, D. Dynamic Inter-subject Functional Connectivity Reveals Moment-to-Moment Brain Network Configurations Driven by Continuous or Communication Paradigms. J. Vis. Exp. (145), e59083, doi:10.3791/59083 (2019).

View Video